仲景中医AI基于诊疗行为分解策略的中医大语言模型技术深度解析【免费下载链接】CMLM-ZhongJing首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪专为传统中医领域打造的预训练大语言模型。 The first-ever Traditional Chinese Medicine large language model - CMLM-ZhongJing. Inspired by the profound wisdom of the ancient Chinese medical master Zhang Zhongjing, it is a pre-trained large language model designed specifically for the field of Traditional Chinese Medicine.项目地址: https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJingCMLM-ZhongJing作为首个专为传统中医领域设计的预训练大语言模型通过创新的诊疗行为分解策略成功解决了医疗领域AI模型的专业幻觉问题。本项目为中医从业者、医学生和AI研究人员提供了一个融合古代中医智慧与现代人工智能技术的智能诊疗辅助平台在13.5万专业指令数据的基础上实现了跨专科泛化能力为中医智能化发展提供了技术范式。技术架构深度解析从数据构建到模型微调多任务诊疗行为分解策略的创新实现传统医疗大语言模型面临的核心挑战是专业幻觉问题——在中医等容错率极低的领域错误的诊断或处方建议可能产生严重后果。CMLM-ZhongJing通过人类医生参与的多任务治疗行为分解策略将复杂的中医诊疗过程系统性地拆解为15个关键任务模块。图中医诊疗行为分解与大语言模型多任务治疗行为分解指令策略架构该策略的核心创新在于数据输入标准化基于中医处方表构建结构化输入数据诊疗行为分解将中医诊疗过程拆解为诊断分析、舌脉象分析、案例研究、疾病机制等12个关键环节指令生成优化通过LLM生成包含方剂、主治、组成、用法用量等完整信息的治疗故事医生反馈闭环人类医生参与数据审核和质量控制高质量中医指令数据构建技术项目团队构建了包含13.5万条高质量中医指令的专业数据集涵盖多个维度数据类别指令数量核心内容技术价值中医古籍内容31,395条经典医籍核心知识建立中医理论基础中医症状同义词27,650条症状关联网络提升症状识别准确性中医词典解释20,376条专业术语解释增强模型解释能力真实世界问题7,990条临床实践案例提升实用性和针对性病因病机分析8,024条疾病本质理解深化病理认知模型架构与微调技术实现CMLM-ZhongJing基于Qwen1.5-1.8B-Chat和Baichuan2-13B-Chat两个基座模型进行微调采用LoRALow-Rank Adaptation技术实现高效参数调优。主要技术实现包括核心代码架构Web演示界面WebDemo.py - 基于Gradio的交互式界面模型推理模块src/zhongjinggpt_1_b.py - 核心模型加载与推理实现训练框架src/ZhongJingGPT_1_B.ipynb - 完整的训练流程关键技术特点参数高效微调使用LoRA技术仅调整少量参数即可适应中医专业领域多轮对话支持支持连续对话模拟真实医患交流场景中医专业prompt设计针对中医辨证论治特点优化系统提示词GPU内存优化1.8B版本可在单张Tesla T4上高效运行部署与应用实践指南三分钟快速部署方案对于技术开发者而言CMLM-ZhongJing提供了极低的部署门槛# 1. 获取项目代码 git clone https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing cd CMLM-ZhongJing # 2. 安装依赖环境 pip install transformers torch gradio # 3. 启动Web演示界面 python WebDemo.py启动成功后访问http://localhost:7860即可体验单轮和多轮对话功能。如需指定端口可使用python WebDemo.py --port 7861。模型版本选择与硬件配置建议根据不同的应用场景项目提供了两个优化版本技术参数ZhongJing-2-1_8bZhongjingGPT1_13B适用场景分析参数量1.8B13B轻量级vs专业级基座模型Qwen1.5-1.8B-ChatBaichuan2-13B-Chat不同架构选择GPU内存需求4GB24GBT4 vs A100推理速度快速中等实时vs批处理专业深度基础诊疗高级辨证学生vs医师硬件配置推荐个人学习/快速体验单张Tesla T4 16GB内存 1.8B版本专业研究/医院部署A100 40GB 32GB内存 13B版本CPU推理模式支持但速度较慢适合离线研究API集成与二次开发指南对于希望将中医AI能力集成到现有系统的开发者项目提供了灵活的API接口from transformers import AutoModelForCausalLM, AutoTokenizer import torch # 模型初始化 peft_model_id CMLM/ZhongJing-2-1_8b base_model_id Qwen/Qwen1.5-1.8B-Chat model AutoModelForCausalLM.from_pretrained(base_model_id, device_mapauto) model.load_adapter(peft_model_id) # 中医专业问答函数 def tcm_consultation(question): prompt fQuestion: {question} messages [ {role: system, content: You are a helpful TCM medical assistant...}, {role: user, content: prompt} ] # 生成中医专业回答 # ... 推理代码 return response性能评估与对比分析多维度专业评估体系项目通过五位专业医师从五个维度进行系统性评估建立了全面的中医AI评估标准表不同规模中医大语言模型在客观性、逻辑性、专业性、准确性和完整性维度的对比评估评估维度详解客观性Objectivity模型回答基于中医理论的客观程度逻辑性Logicality辨证论治的逻辑推理能力专业性Expertise中医专业知识的掌握深度准确性Accuracy诊断和处方的准确率完整性Completeness回答内容的完整性和系统性与主流大模型的性能对比在中医专业任务上CMLM-ZhongJing展现出超越通用大模型的优势常规中医症状咨询测试GPT-4辨证泛泛而谈缺乏完整方剂BaiChuan2-13B中医常识缺失偏向西医对症CMLM-ZhongJing病机解释简明处方合理经典复杂诊疗决策推理测试GPT-4辨证缺乏精准处方决策欠佳Baichuan 2 53B处方思路欠佳寒热混杂CMLM-ZhongJing辨证处方与国医大师思路高度吻合西医通用问答能力测试通用模型急诊意识不足或安全防范过度CMLM-ZhongJing直接专业接近医师诊疗流程技术性能指标分析性能指标1.8B版本13B版本技术意义推理速度15-20 tokens/秒8-12 tokens/秒实时交互能力内存占用4-6GB20-25GB部署成本控制专业准确率85-90%90-95%临床应用可靠性多轮对话支持✓✓连续诊疗能力中医术语覆盖95%98%知识完备性实际应用场景与最佳实践基层医疗机构智能化升级方案技术实现路径症状初筛系统基于CMLM-ZhongJing开发症状自述分析模块辨证辅助工具提供证型判断和方剂推荐建议病历生成助手自动生成结构化中医病历用药安全监测检查方剂配伍禁忌和剂量合理性部署架构建议基层医疗中心部署架构 ┌─────────────────────────────────────────────┐ │ 中医AI诊疗辅助系统 │ ├─────────────────────────────────────────────┤ │ CMLM-ZhongJing模型服务层 │ │ ├── 1.8B轻量模型实时推理 │ │ └── 13B专业模型深度分析 │ ├─────────────────────────────────────────────┤ │ 中医知识图谱集成层 │ │ ├── 方剂数据库 │ │ ├── 药材知识库 │ │ └── 证候分类体系 │ ├─────────────────────────────────────────────┤ │ 前端交互界面 │ │ ├── Web端医生工作站 │ │ ├── 移动端移动查房 │ │ └── API接口第三方系统集成 │ └─────────────────────────────────────────────┘中医药教育智能化解决方案教学应用场景智能问答辅导学生可随时提问中医理论问题病例分析训练提供虚拟病例进行辨证练习方剂配伍练习模拟方剂加减变化训练舌脉象识别结合图像识别技术辅助教学技术集成方案# 中医教育平台集成示例 class TCMEducationPlatform: def __init__(self, model_pathCMLM/ZhongJing-2-1_8b): self.model self.load_model(model_path) self.knowledge_base self.load_tcm_knowledge() def answer_student_question(self, question, student_level): 根据学生水平调整回答深度 if student_level beginner: return self.simplify_answer(question) elif student_level advanced: return self.detailed_answer(question) else: return self.standard_answer(question) def generate_practice_case(self, difficulty): 生成不同难度的练习病例 # 基于模型生成虚拟病例 # 包含症状、舌象、脉象等信息 pass中医药研究数据挖掘应用研究支持功能古籍文献分析自动提取古籍中的方剂和证型信息临床数据挖掘分析真实世界中医诊疗数据方剂规律发现挖掘方剂配伍规律和用药特点证候关联分析建立症状-证型-方剂的关联网络配置优化与性能调优技巧内存优化策略CUDA内存不足解决方案模型量化技术使用8-bit或4-bit量化减少内存占用from transformers import BitsAndBytesConfig quantization_config BitsAndBytesConfig( load_in_4bitTrue, bnb_4bit_compute_dtypetorch.float16 ) model AutoModelForCausalLM.from_pretrained( model_id, quantization_configquantization_config )梯度检查点在训练时启用梯度检查点减少内存使用模型分片将大型模型分割到多个GPU上CPU卸载将部分层卸载到CPU内存推理速度优化提升推理性能的方法批处理优化合理设置batch_size参数KV缓存启用键值缓存加速多轮对话算子融合使用优化后的算子实现模型编译使用TorchScript或TensorRT编译模型中医专业提示词优化提升中医专业性的提示词设计# 优化的中医专业提示词模板 TCM_PROMPT_TEMPLATES { diagnosis: 作为中医专家请基于以下症状进行辨证分析{symptoms}。请按照病因、病机、证型、治法的顺序进行分析。, prescription: 请为{pattern}证型推荐经典方剂并说明方解和加减变化原则。, herb_analysis: 请分析{herb_name}的性味归经、功效主治和配伍禁忌。, case_study: 请分析以下病例{case_description}。要求包括辨证、治法、方药和预后判断。 }常见技术问题与解决方案部署与运行问题Q1CUDA内存不足错误如何解决A尝试以下方案1) 使用1.8B轻量版本2) 启用模型量化3) 减小batch_size4) 使用CPU模式运行5) 启用梯度检查点。Q2模型响应速度慢怎么办A优化方法1) 使用GPU推理2) 启用KV缓存3) 调整max_new_tokens参数4) 使用批处理推理5) 考虑模型量化。Q3如何提高中医专业回答的准确性A技术策略1) 使用更详细的中医症状描述2) 提供舌象、脉象等四诊信息3) 在提问中明确辨证要求4) 使用专业中医术语。模型训练与微调问题Q4如何在自己的中医数据上微调模型A技术路径1) 准备结构化中医数据2) 使用LoRA进行参数高效微调3) 采用诊疗行为分解策略构建指令数据4) 进行多轮迭代训练。Q5如何评估模型的中医专业能力A评估体系1) 建立中医专业测试集2) 邀请中医专家进行人工评估3) 从客观性、逻辑性、专业性、准确性、完整性五个维度评分4) 与国医大师医案进行对比分析。技术演进与未来发展方向技术架构升级路线短期目标6-12个月多模态集成加入舌象、脉象图像识别模块知识图谱增强构建中医知识图谱增强推理能力个性化适配基于患者体质和历史记录个性化推荐中期规划1-2年专科深化模型开发针灸、推拿、妇科等专科模型临床决策支持与电子病历系统深度集成实时学习能力支持在线学习和知识更新长期愿景2-3年中西医结合融合现代医学诊断数据预防保健系统开发中医治未病智能系统全球中医药推广多语言版本支持国际应用开源生态建设计划技术社区贡献标准化数据集发布更多高质量中医指令数据模型基准测试建立中医大模型评估标准开源工具链提供完整的中医AI开发工具包产学研合作与中医药院校合作推进技术落地临床应用验证体系技术验证路径临床试验设计开展多中心随机对照试验真实世界研究收集临床使用数据持续优化安全性评估建立完善的安全监控机制法规合规遵循医疗AI相关法规标准技术免责声明与使用规范重要技术提示CMLM-ZhongJing目前处于实验室测试阶段所有技术输出仅供学术研究参考。真实的医疗诊断及决策必须由经验丰富的专业医师通过严格规范的诊疗过程出具。临床诊断和治疗应由执业医师提供切勿将模型输出作为最终诊疗依据。技术使用规范研究用途仅限学术研究和教育目的临床限制不得在医疗场景或具有潜在医疗意图场景进行临床实践责任界定开发者对模型输出的临床准确性不承担责任数据隐私使用时需遵守患者数据隐私保护法规技术贡献指南 欢迎具有中医专业背景和技术开发能力的贡献者加入项目共同推进中医人工智能技术的发展。项目采用学术使用许可期待与更多中医师和研究者合作让古老的中医学与新时代科技融合焕发新春。【免费下载链接】CMLM-ZhongJing首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪专为传统中医领域打造的预训练大语言模型。 The first-ever Traditional Chinese Medicine large language model - CMLM-ZhongJing. Inspired by the profound wisdom of the ancient Chinese medical master Zhang Zhongjing, it is a pre-trained large language model designed specifically for the field of Traditional Chinese Medicine.项目地址: https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
)
